植物病害的診斷是一個費時費力的過程，往往需要專業人員調查田間環境下的病害癥狀或在實驗室環境下進行病原體鑒定。一旦發現了病害，留給田間管理者的可選方案將十分有限，在病害大規模爆發或是管控成本過高等情況下，這個問題尤為突出。

在病害診斷方法方面，那些不需要過多培訓的方法的使用成本相對較低，且最可能以快速、高通量的方式投入使用，如果能夠在植物病害癥狀出現之前診斷出感病植物，這些方法將會很有實用價值：發現和診斷早期感病植株后，可以進行有針對性的病害管理，即僅對感病植株而不是整片區域進行處理。由于需要處理的區域較小，治療病害需要的時間和費用也相應減少；而在病害廣泛傳播前就進行處理，還能夠防止由病害帶來的減產。目前，常用的病害快速檢測方法往往需要主動采樣，且不太適用于田間條件下的高通量病害診斷。

近紅外(NIR)光譜法是一種快速而高通量的病株識別方法，為被動檢測植物病害提供了可能。近紅外光譜是一種振動光譜，能夠反映波長在750~2500nm內的光線與樣品間的相互作用。當植物感病時，其新陳代謝會發生顯著變化，因此可通過近紅外光譜法對植物的物理和化學性質進行監測。但由于光譜帶（波長）的差異不夠明顯，在用于快速分類時，需要將近紅外光譜法與某些形式的預測模型相結合。

近日，Plant Phenomics在線發表了俄亥俄州立大學Anna O. Conrad等人題為Machine Learning-Based Presymptomatic Detection of Rice Sheath Blight Using Spectral Profiles的研究論文。

在該文章中，作者著重研究了水稻紋枯病，該病的早期癥狀包括沿葉鞘形成橢圓形或長方形的病灶，在合適條件下會迅速向上擴大，在上部葉片形成病斑，并引發作物倒伏及減產。目前的水稻品種沒有對水稻紋枯病的完全抗性，因此對該病的防治尤為重要。

該文的研究目的是結合機器學習和近紅外光譜技術，實現對水稻紋枯病的早期發現：研究者收集了紋枯病易感水稻品種爪哇稻Lemont的葉片在接種立枯絲核菌后(Figure 1)、出現癥狀前的近紅外光譜信息(Figure 2)；之后，使用支持向量機(SVM)和隨機森林這兩種機器學習算法，建立基于有監督分類的疾病預測模型并評估準確性。

在模擬接種植株和接種植株間進行比較時，基于支持向量機(SVM)的模型更準確，準確度為86.1%；而將對照組加入比較，進行總體測試時，SVM模型的準確度為73.3%。以上結果表明，盡管仍需在田間試驗中進行進一步測試和驗證，機器學習模型依然有望發展成為在病害早期根據光譜信息診斷無癥狀病株的有效工具。

Figure 1: ShB symptomatic rice plants.

Figure 2: Rice NIR spectra.
 

論文鏈接
https://spj.sciencemag.org/journals/plantphenomics/2020/8954085/

——推薦閱讀——
“Macrobot”: An Automated Segmentation-Based System for Powdery Mildew Disease Quantification
https://spj.sciencemag.org/journals/plantphenomics/2020/5839856/
Plant Phenomics | "Macrobot": 一種基于自動分割的白粉病定量分析系統coring Cercospora Leaf Spot on Sugar Beet: Comparison of UGV and UAV Phenotyping Systems
https://spj.sciencemag.org/journals/plantphenomics/2020/9452123/
Plant Phenomics | 對比無人車(UGV)和無人機(UAV)表型系統評估甜菜褐斑病的病害等級

About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行，是Science合作出版的第二本期刊。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被CABI、CNKI、DOAJ和PMC數據庫收錄。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
撰稿：王棟（實習）
編輯：周燦彧（實習）、鞠笑、孔敏
審核：尹歡